Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.
020406080100120140160180200
0
20
40
60
80
100
120
140
160
180
200
−20
0
20
40
60
y
0
[m]
x0
[m]
z0
[m]
0204060801001201401...
Prochain SlideShare
Chargement dans…5
×

Data-driven wildfire spread modeling with terrain topography - 2014 Intl. Symposium on Combustion

252 vues

Publié le

The FireFly prototype data-driven wildifre spread simulator has been extended to cases with complex terrain topography. The performance of the EnKF algorithm is shown to be preserved for synthetic cases with spatially-varying vegetation and wind conditions.

This emphasizes the potential of data assimilation to dramatically increase wildfire simulation accuracy in real-world wildfire events.

Publié dans : Sciences
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Data-driven wildfire spread modeling with terrain topography - 2014 Intl. Symposium on Combustion

  1. 1. 020406080100120140160180200 0 20 40 60 80 100 120 140 160 180 200 −20 0 20 40 60 y 0 [m] x0 [m] z0 [m] 020406080100120140160180200 020406080100120140160180200 −20 0 20 40 60 y0 [m]x0 [m] z 0 [m] 0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 x0 [m] y0 [m] 0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 x 0 [m] y 0 [m] Ensemble-­‐based  data  assimila.on  for     regional-­‐scale  simula.ons  of  wildfire  spread   M.C.  Rochoux1,2,  S.  Ricci1,  B.  Cuenot1,  A.  Trouvé3 1CERFACS  /  CNRS-­‐URA1875,  Toulouse,  France. An  eye  on  wildfire  spread  modeling 2Ecole  Centrale  Paris,  Châtenay-­‐Malabry,  France. 3Dept.  Fire  ProtecMon  Engineering,  University  of  Maryland,  USA. ➡  Fundings   ➡  MulM-­‐physics  mulM-­‐scales  problem:  complex   interacMons  of  pyrolysis,  combusMon  and  flow   dynamics,  atmospheric  dynamics/chemistry. •  PredicMve  capability  of  wildfire  spread  simulaMons •  OBJECTIVE:  Reduce  uncertainMes  in  rate  of  spread ➡  Issues: •  LEFE-­‐ASSIM  (INSU,  2011-­‐2013) Data  assimilaMon  algorithm ➡  Principles:  integrate  observaMons  of  fire  front  locaMons   into  a  fire  spread  model,  while  accounMng  for  the  effects  of   both  observaMon  and  modeling  errors,  to  improve  forecast   capability. 2)  StochasMc  computaMon  of  the  Kalman  gain  matrix  (accounMng   for  non-­‐lineariMes  in  the  fire  spread  model). 4)  Next  assimilaMon  cycle:  random  walk  model  (PE)  or  reconstrucMon   of  the  fire  front  locaMon  (SE).   1)  Monte  Carlo  based-­‐technique:  ensemble  of  predicted  fire   front  posiMons  associated  with  perturbed  input  parameters  of   the  ROS  model  (members). ➡  Temporal  correcMon  of  the  uncertainMes  in  fire  spread 3)  CalculaMon  of  retrospecMve  posterior  esMmates  of  the  control   parameters  (PE)  or  the  locaMon  of  the  simulated  fire  fronts  (SE).   Results:  Data-­‐driven  fire  spread  model ➡  Step  1:  ValidaMon  for  a  flat,  small-­‐scale  (4m  x  4m),  controlled   grassland  fire  (front  locaMon  extracted  from  thermal  infrared   imaging  provided  by  R.  Paugam,  King’s  College  London) ‣  UncertainMes  in  wind  condiMons  and  biomass  fuel  properMes   ➡  Preserved  EnKF  performance  for  complex  terrain  topography ‣  Polynomial  Chaos   strategy  to  reduce   the  computaMonal   cost  of  the  EnKF   •  ANR-­‐09-­‐COSI-­‐006  IDEA  (France,  2010-­‐2013) Radiation Wind Flame Pyrolysis Heat flux Pollutants Biomass  Flame-­‐scale  viewpoint:  flame  front  Regional-­‐scale  viewpoint:  fire  front ‣  Detailed  simulaMons  of  the  mechanisms   underlying  fires  (ex:  AVBP-­‐PYROWO-­‐PRISSMA)   Burnt  area Unburnt   area Front ‣  Fire  spread  described  as  a   1-­‐D  fireline  propagaMon   ‣  Semi-­‐empirical  ROS  model  due   to  Rothermel  (1972)  in  FIREFLY   Rate  Of   Spread FIREFLY wildfire spread simulator Parameters Initial condition Boundary conditions Comparison Simulated fronts Observations Ensemble Kalman filter Parameter estimation State estimation ROS = f(uw, ↵sl, Mv, ⌃v, v, ...) x a,(k) t = x f,(k) t + Ke t ⇣ yo t + ⇠(k) Gt(x f,(k) t ) ⌘ Analysis Forecast ObservaMons Model   predicMons Kalman  gain  matrix ➡  Ensemble  Kalman  filter  (EnKF):  parameter  esMmaMon  (PE)   vs.  model  state  esMmaMon  (SE) Comparison  between  simulated  and  observed  front  posi4ons  at  4me  t  =  106  s  on  the   horizontal  plane  (x0,  y0);  EnKF  experiment  from  t  =  50  s  to  t  =  106s  with  assimila4on  at   14-­‐s  intervals.  The  simulated  front  posi4on  is  the  mean  posi4on  calculated  as  the   average  of  the  EnKF  ensemble.  LeL:  Forecast  (with  an  EnKF  update  at  t  =  92  s).   Right:  Analysis  (with  an  EnKF  update  at  t  =  106  s).   FORECAST  (t  =  106  s) ANALYSIS  (t  =  106  s) + observaMons   ‣  Small  observaMon  error  (5  cm)  related  to  camera  spaMal  resoluMon  -­‐  -­‐  PE    —  SE   + observaMons    -­‐  -­‐  PE    —  SE   ➡  Step  2:  Extension  of  the  data  assimilaMon  technique  to   wildfire  spread  over  complex  terrain  topography See  Rochoux  et  al.,  Proc.  Combust.   Inst.  (2013),  Nat.  Hazards  Earth  Syst.   Sci.  Discuss  (2014a,  2014b)   ‣  SyntheMc  EnKF  experiment  (known  true  trajectory)  over  [0,  750  s]. FORECAST  (t  =  750  s) ANALYSIS  (t  =  750  s) + observaMons    -­‐  -­‐  PE    —  SE   + true  locaMon  —  SE  /  PE   ‣  5  sources  of   uncertainMes:  wind   condiMons,  biomass   fuel  properMes.   ‣  320  members  in   the  ensemble.   •  Control  parameters  stay   within  physical  range  (PE).   •  Accurate  tracking  of  the   fire  front  topology  (SE).     •  Much  reduced  scaoer   around  the  true  locaMon  of   the  fire  front. Ongoing  research See  Rochoux  et  al.,  VII  Int.   Conf.  on  Forest  Fire  Research   (Nov.  2014).   ➡  Dual  parameter-­‐state  esMmaMon  approach  to  improve  forecast   capability  of  wildfire  spread ➡  EvaluaMon  of  the  EnKF  algorithm  on  real-­‐world  fire  hazards ➡  Extension  of  the  EnKF  algorithm  to  a  coupled  fire-­‐atmosphere   simulator  to  account  for  fire  plume  dynamics.   Contact:  M.C.  Rochoux,  Ph.D.   melanie.rochoux@graduates.centraliens.net   See  Ph.D.  thesis  (2014),   hop://www.cerfacs.fr/ 3-­‐25800-­‐Ph.-­‐D.-­‐Thesis.php  

×